Python K-Means聚类和最大距离

Question

首先，我对集群技术的了解非常有限，请不要太苛刻。

我有一组相当大的3D点（大约8,000个）-考虑一个X，Y，Z三元组，其Z坐标表示地下地球上的一个点（负）。我想使用绝对最小数目的聚类来聚类这些点，并具有以下约束：

1. 使用最少数量的群集
2. 所有点都应包含在聚类中，这意味着任何点至少应属于一个聚类
3. 任何点与群集质心之间的最大距离（在地面上Z偏移为Z = 0）不应超过某个固定距离 d 。

我当时正在考虑使用scikit-learn k-means方法，通过迭代增加聚类的数量，然后针对数据集中的所有点计算该点与聚类质心之间的距离（在Z = 0处）是否为小于提供的特定距离。

当然，我愿意接受更好/更有效的建议-例如，聚类不需要像k均值返回的那样是圆形的。只要满足上述约束，它们就可以是椭圆形或其他任何形式。

我欢迎任何建议，谢谢您的见解。

Answer 1

使用层次聚类。

具有完整的链接。

找到真正的最小掩护很困难。所以你不想这样做。但这应该会产生一个非常好的O（n³）近似值。

这是基础知识。当寻找聚类算法时，至少阅读Wikipedia文章。甚至更好一些书，以获得概述。不只是k-均值...